[发明专利]一种医学病灶图像的词袋模型的构建方法

说明书

技术领域

本发明涉及识别医学病灶图像，具体来说涉及识别医学病灶图像的词袋模型。

背景技术

基于内容的图像检索(Content-Based ImageRetrieval，CBIR)的基本思想是提取图像的视觉特征进行图像表达，使用图像表达对图像进行检索。CBIR技术可以为管理图像数据、临床诊断、医学教学等提供支持和帮助。特别地，医学图像中相似病灶的检索，可提高临床诊断的可靠性和相关信息的完整性。

一般地，CBIR系统把待查询图像和待查询图像的图像表达存放在数据库中，当用户提供一幅查询图像时，CBIR系统提取该图像的视觉特征进行图像表达，与数据库中待查询图像的图像表达进行比较，从而返回与查询特征相似的图像。CBIR系统中常用来进行图像表达的视觉特征有：颜色、纹理、形状、边缘等。纹理特征是图像的重要特征之一，能够描述图像的平滑，稀疏，规则性等特征。在医学图像中，由于提取图像的纹理特征能够反映人眼所不能观察到的隐藏在图像结构中的细节信息，因此纹理特征广泛应用于医学图像检索的图像表达中。几种传统的纹理特征提取方法包括：灰度共生矩阵、小波变换、伽伯(Gabor)变换等。灰度共生矩阵表示了在一致纹理模式下像素灰度的空间依赖性，但是，它没有完全抓住局部灰度的图像特点，对于较大的局部，用这种方法提取纹理特征的效果不理想。小波变换能够为多尺度需求提供一个清晰的数学框架，因此，小波变换能够有效地提取纹理图像的多尺度特征。然而，在小波变换中，滤波器组的选择问题仍未解决，导致对纹理分析产生影响。伽伯变换与人类的视觉最为匹配，在图像分析中具有重要的作用，但是，它的变换窗口大小固定，对纹理在方向和频率上的细微变换不敏感，不能满足我们在实际应用中需求。词袋(Bag of Visual Words，BoW)模型通过提取整幅图像的局部细节特征，进而对图像进行量化表达，捕捉了图像的细微变化和整体特征。

然而，由于一般的词袋模型在提取局部特征时，没有考虑到特征之间的相对空间位置关系，从而使产生的词袋模型缺乏有效的空间信息，降低了词袋模型的描述能力。为了解决这个问题，有研究者提出一种联合空间金字塔模型和词袋模型的方法，用于自然图像的分类(S.Lazebnik，C.Schmid，and J.Ponce，″Beyond bags of features：spatial pyramid matching for recognizing natural scene categories，″IEEE Conference on Computer Vision and Pattern Recognition，pp.2169-2178，2006)。这种方法以空间金字塔模型的提取方式，把图像细分为多个子区域，然后构建各个子区域的词袋模型，最后把全部子区域的词袋模型联合为一个大的词袋模型。此外，还有研究者提出在词袋模型的特征向量中加入特征的空间坐标来提高医学X光片的分类和检索性能(U.Avni，H.Greenspan，E.Konen，M.Sharon，and J.Goldberger，″X-ray categorization and retrieval on the organ and pathology level，using patch-based visual words，″IEEE Transactions on Medical Imaging，vol.30，pp.733-746，2011)。由于医学病灶图像一般是灰度图像，病灶组织内部的纹理信息有异于附近的正常组织，而且，不同类型病灶的纹理信息也各有差异，另外，病灶邻近的组织结构也有所不同。例如，在脑部肿瘤图像中，胶质瘤通常边缘会有一圈水肿；脑膜瘤邻近脑壳、灰质和脑脊髓液；而垂体瘤则经常出现在蝶窦、视交叉和内部颈动脉附近。因此，上述现有技术虽然能很好地表达出病灶区域内的纹理特征，但是因缺少病灶边界区域和病灶区域向病灶边界区域过渡的灰度变化信息，其区分不同类型病灶的准确性尚不够理想。

发明内容

本发明所要解决的技术问题是提供一种医学病灶图像的词袋模型的构建方法，该方法得到的词袋模型能反映病灶区域的空间位置，有助于提高临床诊断的准确性。

本发明的目的可通过以下的技术措施来实现：

一种医学病灶图像的词袋模型的构建方法，该方法由以下步骤组成：

(1)读取数据库中已勾画出病灶轮廓的医学病灶图像，所读取的医学病灶图像要包含每种病灶类型至少各50幅图像，并每一幅医学病灶图像进行以下处理：